传统基于生成对抗网络的语音增强算法（Speech Enhancement algorithm based on Generative Adversarial Networks，SEGAN）在时域上对语音进行增强处理，完全忽略了语音样本在频域上的分布情况。在低信噪比条件下，语音信号会淹没在噪声中，带噪语音的时域分布信息很难捕获，因此，SEGAN的增强性能会急剧下降，其增强语音的语音质量和语音可懂度很低。针对该问题，提出了基于时频域生成对抗网络的语音增强算法（Time-Frequency Domain SEGAN，TFSEGAN）。TFSEGAN采用了时频域双判别器的模型结构和时频域L1损失函数，时域判别器的输入为语音样本的时域特征，频域判别器的输入为语音样本的频域特征。在训练过程中，时域判别器将语音样本的时域分布信息作为判别标准，而频域判别器将语音样本的频域分布信息作为判别标准。在两个判别器的作用下，TFSEGAN的生成器能够同时学习语音样本在时域和频域中的分布规律和信息。实验证明，在低信噪比条件下，与SEGAN相比，TFSEGAN的语音质量与可懂度分别提升了约17.45%和11.75%。